PENDAHULUAN
1.1 Latar Belakang
Dalam perkembangan ilmu pengetahuan, suatu ilmu bisa dipadukan dengan
beberapa ilmu lain. Matematika yang dipadukan dengan Biologi melahirkan ilmu
Matematika Biologi. Begitu juga dengan ilmu Statistik, bisa dipadukan dengan ilmu
lain. Perpaduan ilmu statistik dan geologi melahirkan ilmu Geostatistik.
Geostatistika merupakan salah satu ilmu yang menggunakan analisis
spasial. Analisis spasial merupakan analisis yang memiliki atribut lokasi,
seperti halnya lokasi absolut (koordinat).
BAB II
TINJAUAN PUSTAKA
2.1
Data Spasial
Pada geologi, terdapat dua jenis data yang merepresentasikan fenomena-
fenomena yang terdapat di dunia nyata. Salah satu jenis data tersebut adalah
jenis data yang merepresentasikan aspek-aspek keruangan dari fenomena
tersebut. Jenis data seperti ini sering disebut sebagai data-data posisi, koordinat,
ruang atau spasial. Data spasial merupakan data yang disajikan dalam posisi geografis
dari suatu obyek, berkaitan dengan lokasi, bentuk dan hubungan diantaranya
dalam ruang bumi. Penyajian data geografik dilakukan dengan menggunakan
titik, garis dan luasan. Data spasial dapat berupa data diskret atau kontinudan dapat
juga memiliki lokasi spasial beraturan(regular)maupun tak beraturan(irregular). Data
spasial dikatakan mempunyai lokasi yang regular jika antara lokasi yang saling
berdekatan satu dengan yang lain mempunyai posisi yang beraturan dengan
jarak sama besar, sedangkan dikatakan irregularjika antara lokasi yang saling
berdekatan satu dengan yang lain mempunyai posisi yang tidak beraturan dengan
jarak yang berbeda.
2.2
Definisi 2.2.1 :
Variabel acak
berikut :
x
F ( X ) = f ( t ) dt
Teorema 2.2.2 :
Fungsi f(x) adalah pdf dari suatu variable acak kontinyu X jika dan hanya jika
memiliki dua sifat berikut :
1.
f ( x ) 0 untuk setiap x
2.
f ( x ) dx=1
2.3 Ekspektasi
Definisi 2.3.1 :
Misalkan X suatu peubah acak kontinyu dengan pdf f maka :
1. Ekspektasi X adalah suatu nilai yang dinyatakan dengan symbol E(X) yang
besarnya ditentukan dengan rumus :
E ( X )= xf ( x ) dx
2
Var ( X )=E ( X )[ E ( x ) ]
2.
2.5 Kovariansi
Definisi 2.5.1 :
Nilai kovariansi dari peubah acak X dan Y didefinisikan sebagai berikut :
Cov ( X , Y )=E [ ( XE ( x ) ) (Y E (Y ))]
Sifat-sifat kovariansi dapat ditunjukan pada beberapa teorema berikut :
Teorema 2.5.2
Jika X dan Y suatu peubah acak, a dan b suatu konstanta maka :
1.
2.
3.
Teorema 2.5.3
Jika X dan Y suatu peubah acak independen dengan Cov ( X , Y )=0 maka :
Cov ( X , Y )=E ( XY ) E ( X ) E (Y )
2.6 Vektor
Suatu susunan bilangan real
[]
x1
x= x 2
xn
atau
x=[x 1 , x 2 , , x n ] .
2.7 Matriks
Definisi 2.7.1:
Matriks adalah suatu susunan segi empat siku-siku dari bilangan-bilanagan. Bilanganbilangan dalam susunan tersebut dinamakan entri matriks.
aij
terdapat dalam baris i dan kolom j dari A. Jadi sebuah matriks 2x3 yang
umum dapat dituliskan sebagai :
A=
2.7.1
a11 a 12 a13
a21 a 22 a23
Matriks Persegi
Matriks persegi merupakan suatu matriks dimana banyaknya baris sama
Matriks Identitas
Matriks identitas (identity matrix)adalah matriks persegi dengan bilangan 1
terletak pada diagonal utama sedangkan bilangan 0 terletak di luar diagonal utama.
Matriks identitas dinyatakan dengan I.
( )(
1 0 0
I= 1 0 , 0 1 0
0 1
0 0 1
2.7.3
dan seterusnya
Transpose Matriks
Jika terdapat matriks A yang merupakan sebarang matriks m x n maka
At
A t , dan
seterusnya.
J
a11 a 12 a 1n
A=
a
mn
am 1 am 2
a11 a m 1
At=
a 1n anm
2.7.4
Matriks Invers
1
adj A
| A|
A
1
(1) = A
( AB)1 = B1 A1
2.8 Stasionaritas
Metode ordinary kriging dapat digunakan apabila data yang ada merupakan
data yang bersifat stasioner. Suatu data dikatakan memiliki sifat stasioner
apabila data tersebut tidak memiliki kecenderungan terhadap trend tertentu. Atau
dengan kata lain, apabila fluktuasi data berada disekitar suatu nilai rata-rata
yang konstan, tidak tergantung pada waktu dan variansi dari fluktuasi tersebut.
Terdapat 3 macam stasioneritas dalam geostatistika, yaitu: (Delfiner, 1999: 16)
1. Stritc Stationarity
z (s 1) , z (s ) , z (s ) ) dan
2
n
z (s 1+h ) , z (s ) , z (s ) ) sama
2+h
n+h
3. Intrinsic Stationarity
Suatu variabel random dikatakan Intrinsic Stationerity apabila memenuhi
persamaan berikut:
2 ( s , s+ h )=Cov (Z ( s )Z ( s+ h ) , Z ( s )Z ( s +h ) )
BAB III
PEMBAHASAN
3.1
Ordinary Kriging
Ordinary kriging (OK)adalah metode kriging paling sederhana yang terdapat
pada geostatistika. Pada metode ini, memiliki asumsi bahwa rata-rata (mean)
s
tidak diketahui dan bernilai konstan. Pada ordinary kriging, Z () untuk semua
E
nilai s.
Asumsi model prediksi pada ordinary kriging yang digunakan untuk mengestimasi
nilai Z ( s) dengan menggunakan nili data sampel disekitar titik s
s
w Z ( )
adalah
(3.1)
Z^ ( s )=
=1
Estimator eror pada setiap titik merupakan perbedaan antara nilai Z^ ( s ) dengan
nilai Z ( s ) sebenarnya, yang dinyatakan dengan :
e^ ( s ) =Z^ ( s )Z ( s )
Dengan
(3.2)
E ( e^ ( s ) ) =0
s
w Z( )
n
=1
E
n
=1
w Z (s ) =E ( Z ( s ) )
w E ( Z ( s ) )=E ( Z ( s ) )
=1
w =1
=1
3.2
Salah satu tujuan kriging, seperti yang sudah dijelaskan pada pembahasan
sebelumnya, yaitu menghasilkan estimator yang bersifat Best Linear Unbiassed
Estimator (BLUE). Berikut akan dibuktikan sifat BLUE pada ordinary kriging:
1. Linear
Model prediksi pada ordinary kriging adalah sebagai berikut :
s
s
s
s
Z ( n)
Z ( 2)++wn
Z ( 1)+ w2
w Z ( )=w1
n
^Z ( s ) =
=1
10
2. Unbiased
Akan dibuktikan bahwa Z^ ( s ) merupakan estimator yang takbias terhadap Z ( s )
dengan menunjukan bahwa
E ( Z^ ( s ) )=Z ( s )= .
s
w Z ( )
n
=1
s
Z ( )
Z (s)
w E()
n
E()=
=1
w
E ( Z^ ( s ) )=E
1. E ( Z ( s )) =E ( Z ( s ) ) =Z ( s )=
3. Best
Akan dibuktikan bahwa metode ordinary kriging bersifat best dengan
meminimumkan variansi eror. Dengan asumsi Var ( Z ( s ) )= 2 maka
2
Var ( e^ ( s ) ) =Var ( Z^ ( s )Z ( s ) )=Var ( Z^ ( s )) + Var ( Z ( s ) ) 2 Cov ( Z^ ( s ) , Z ( s )) =V ar ( Z^ ( s ) ) + 2Cov ( Z^
(3.3)
Dengan
11
s
w Z ( )
n
=1
Var ( Z^ ( s ) )=Var
s
s
Z ( )
Z ( ),
w Cov
n
(3.4)
=1
w
n
=1
Dan
s
s
w Z ( ) Z ( s)
n
=1
w Z( ) Z ( s)E ( )
n
=1
Cov ( ^Z ( s ) , Z ( s ) )=E
s
s
n
w
n
=1
12
s
Z ( ) , Z (s)
w Cov
(3.5)
=1
Dengan subtitusi persamaan (3.4) dan (3.5) kedalam persamaan (3.3) diperoleh :
s
s
Z ( )
Z ( ),
w Cov
n
=1
w
n
Var ( e^ ( s ) ) =
=1
s
Z ( ) , Z (s)
w Cov
(3.6)
2
=1
Dengan syarat
n
w =1
=1
Untuk mencari minimum dari variansi eror, bisa menggunakan lagrange multiplier
dengan parameter lagrange 2p. Persamaan lagrange dinyatakan dengan :
13
s
s
Z ( )
Z ( ) ,
w Cov
n
=1
w
n
F ( w , p )=
=1
s
Z ( ) , Z (s)
w 1
n
=1
+2 p
w Cov
n
=1
Dengan
w 1
n
=1
2 p
Untuk meminimumkan variansi eror, turunan pertama darin persamaan lagrange
tersebut harus = 0. Persamaan lagrange diturunkan terhadap bobot variable (w)
diperoleh :
n
F (w , p )
=2 w Cov (Z ( s ) , Z ( s1 ) )
w1
=1
s
Z ( 1), Z (s )
+2 p
2 Cov
14
F (w , p )
=2 w Cov (Z ( s ) , Z ( s2 ) )
w2
=1
s
Z ( 2) , Z ( s)
+2 p
2 Cov
s
Z( n), Z (s)
+2 p
F (w , p )
=2 w Cov (Z ( s ) , Z ( sn ) )2 Cov
wn
=1
Dengan
F (w , p )
=0
w
Sehingga diperoleh system persamaan:
n
w Cov( Z ( s ) , Z ( s 1) )
=1
w Cov( Z ( s ) , Z ( s 2) )
=1
s
Z ( 1), Z (s )
+ p=Cov
s
Z ( 2) , Z ( s)
+ p=Cov
w Cov( Z ( s ) , Z ( s n ))
=1
s
Z ( n), Z (s)
+ p=Cov
15
C 11
Cn1
1
C1n
Cnn
1
][ ] [ ]
w1 C1
.
=
1 wn Cn
0 p
1
Untuk menentukan nilai bobot masing-masing titik tersampel terhadap titik yang akan
diestimasi dapat dinyatakan sebagai berikut :
1
w=C D
[ ][
C11
w1
=
wn
Cn1
p
1
Cnn
C 1n
C nn
1
1
0
][ ]
1
C1
Cn
1
Cn
: rata-rata variabel
=1
F (w , p )
=2
p
Dengan
F (w , p )
=0, diperoleh
p
n
w =1
(3.7)
=1
16
w Cov( Z ( s ) , Z ( s ) )
=1
s
Z ( ) , Z (s)
p
Cov
(3.8)
Dengan subtitusi persamaan (3.7) dan (3.8) kedalam persamaan (3.6) diperoleh:
s
Z( ) , Z (s )
2
Cov +
w
n
Var ( e^ ( s ) ) =
=1
s
Z ( ) , Z (s)
w Cov
n
2
=1
s
Z ( ) , Z (s)
w Cov
n
=1
2
BAB IV
PENUTUP
4.1 Kesimpulan
17
18
Daftar Pustaka
Anton, H. (1995). Aljabar Linear Elementer (edisi kelima). (Terjemahan oleh Pantur
Silaban &I. Nyoman Susila). Jakarta: Erlangga.
Bain &Engelhardt. (1992). Introduction to Probability and Mathematical Statistics 2
Nd Edition. California: Duxbury Press.
Cressie, N. A. C. (1993). Statistics For Spatial Data. New York: John Wiley and
Sons. Inc
Delfiner, P. C. P. (1999). Geostatistics Modeling Spatial Uncertainty. New York: John
Wiley and Sons, Inc.
Isaaks, E. H. (1989). Applied Geostatistics. New York: Oxford University Press.
Suprajitno Munadi. (2005). Pengantar Geostatistik. Jakarta: Universitas Indonesia.
19